2024, Vol. 45
全球气候持续变暖与人类活动显著增强使生态系统面临严峻挑战[1].植被作为陆地生态系统的主体, 在物质能量循环、碳氧平衡调控和维持气候稳定中发挥重要作用[2], 监测植被动态并探索其驱动因素成为全球变化研究的热点议题, 深刻影响地球健康和人类福祉[3, 4].植被指数是宏观表征植被生长状况的有力度量, 其中归一化植被指数（normalized difference vegetation index, NDVI）具有空间覆盖范围广、物理意义明确和对植被响应能力强等优势, 被认为是植被变化的最佳指示因子[5], 已广泛应用于环境[6]、生态[7]和农业[8]等领域.
生态交错区是不同生态系统的交界区域, 其环境异质性高, 边缘效应显著, 具有明显的生态和气候梯度, 在动力学上表现出强烈的不稳定性, 对全球变化的响应尤为敏感[9].目前国内外学者针对不同类型生态交错区植被变化及影响因素方面的研究已有丰硕成果.苏伟等[10]的研究得出2001 ~ 2013年中国北方农牧交错带NDVI整体呈上升态, 生长季NDVI变化与降水呈正相关, 与温度呈负相关, 非生长季则相反；陈宸等[11]的研究发现1999 ~ 2018年新疆荒漠-草地过渡带NDVI呈微弱下降趋势, 降水、蒸发和风速是年际NDVI变化的关键影响因子；邵秋芳[12]的研究表明, 1990 ~ 2015年川西北林草交错区各等级NDVI随海拔和坡度升高普遍先增后减, 而在不同坡向上的变化差异较大；Moreno-de las Heras等[13]的研究指出2000 ~ 2013年奇瓦瓦沙漠北部草原-灌丛交错带NDVI对降雨的响应地域分异明显, 其中草本植被的生长与夏季季风降雨基本同步, 灌木的生长则与夏冬两季降雨总量的相关性较强.已有研究中对我国东北地区林草交错带的探讨还很薄弱, 且多侧重于单一空间尺度, 关于不同环境条件下的差异研究相对较少；考虑的因子多局限于气候与地形地貌, 忽略了土壤类型、植被类型、土地利用和人口密度等因子对植被变化的影响.有研究表明[14, 15], 不同土壤类型的结构、质地和理化性质存在较大差异, 影响其肥力和含氧量高低；植被类型的转变使地表能量分配和水热交换发生变化, 二者均对植被生长发育及分布格局产生重要作用.同时, 在林业建设高潮与城镇化进程加速的大背景下, 人类活动与自然因素的叠加使得植被变化驱动机制更加复杂[6, 16].此外, 前人主要以回归分析和相关分析为基础进行定性讨论, 定量剥离各因素的驱动作用仍较困难, 且此类方法均假设线性关系成立, 而实际上植被对环境的响应过程并不存在严格统计意义的线性关系[17], 各因素间的精确相关或高度相关关系也可能导致模型结果失真.地理探测器是探测地理要素空间分异性及其背后驱动力的一组统计学方法, 可量化识别多因子对因变量空间分异的解释力, 并综合评估多因子的交互作用, 能够规避自变量间的多重共线性问题, 极大程度提升变因分析的全面性和准确性[18].
大兴安岭林草交错带位于大兴安岭西麓林区与呼伦贝尔草原的过渡地带, 为我国东北地区典型的生态交错区, 在维护北疆生态安全中具有不可替代的战略地位.然而长期以来, 草地退化[19]、水土流失[20]和生物多样性衰减[21]等问题严重制约当地社会经济发展.尽管“退耕还林还草”等措施使其环境状况得到了有效改善, 但近年来随着极端气候频发与开发强度加剧, 植被能否保持良好生长状态仍存在较大争议[22 ~ 24].因此, 掌握该地区植被时空演变特征及各驱动因子在植被变化过程中的作用机制, 对深入理解北方高纬度寒区林草交错带生态脆弱成因, 科学指导其植被资源保护与利用具有重要现实意义.
鉴于此, 本文借助GEE（Google earth engine）云平台, 基于2000 ~ 2020年MODIS NDVI数据, 运用Sen+Mann-Kendall趋势分析与Hurst指数法, 探究大兴安岭林草交错带NDVI时空变化特征, 预测其未来演变规律；并引入地理探测器模型, 揭示气候、地形地貌、土壤、植被和人类活动因素对全域及不同自然地理分区尺度下NDVI空间分异的驱动机制, 以期为区域生态建设高质量发展提供科学依据和决策参考.
1 材料与方法 1.1 研究区概况大兴安岭林草交错带（47°19′ ~ 53°20′N, 117°31′ ~ 122°52′E）地处内蒙古东北部呼伦贝尔市, 西邻呼伦湖, 西北与俄罗斯接壤, 包括海拉尔区、额尔古纳市和牙克石市等7个市（区、旗）, 总面积13.437万km2.地势呈“东高西低、南高北低”格局, 平原、丘陵和山地纵横交错.属大陆性季风气候, 由南向北跨越中温带与北温带, 四季分明, 雨热同期, 年均气温在0℃以下, 年均降水量约400 mm[25].受独特气候环境与复杂地形条件影响, 该区植被生态系统结构完整且三向地带性分布明显, 由西南向东北植被优势种由以羊草（Leymus chinensis）和贝加尔针茅（Stipa baicalensis）等为主的草原群落逐渐过渡到以兴安落叶松（Larix gmelinii）、樟子松（Pinus sylvestris）和白桦（Betula platyphylla）等为主的森林群落（图 1）.
|
图 1 研究区概况与不同自然地理分区空间分布示意 Fig. 1 Overview of the study area and spatial distribution of different physical geographic divisions |
本研究NDVI数据选取2000 ~ 2020年MODIS13Q1产品, 来源于GEE平台（https://code.earthengine.google.com/）MODIS13Q1数据集（MODIS/061/MOD13Q1）, 时间分辨率16 d, 空间分辨率250 m.通过在GEE平台中调用函数及在线编码, 实现批量投影转换（WGS84_UTM）、最大值合成（maximum value composite, MVC）、影像拼接和按研究区矢量边界裁剪等, 得到年尺度NDVI最大值数据集, 代表全年植被生长的最佳状况.为更好反映植被覆盖动态变化, 按等间距法将NDVI划分为低（0 ≤ NDVI < 0.2）、中低（0.2 ≤ NDVI < 0.4）、中（0.4 ≤ NDVI < 0.6）、中高（0.6 ≤ NDVI < 0.8）和高（0.8 ≤ NDVI ≤ 1）共5级.
1.2.2 探测因子数据2000 ~ 2020年气象数据来源于国家气象信息中心（http://data.cma.cn/）《中国地面气候资料日值数据集（V3.0）》, 该数据集经过极值检验与时间一致性检验等严格质量控制, 数据实有率和正确率均在99%以上[26].筛选出研究区内及其周边35个气象站点的平均气温、降水量、日照时数、平均相对湿度、平均风速、平均气压、蒸发量和平均0 cm地温这8类气象因子的逐日数据, 通过R语言将其整合为年值数据并转化为标准单位, 采取均值替换法对个别台站的缺失值进行插补.运用ANUSPLIN软件, 引入DEM作为协变量, 基于薄盘样条函数理论对气象数据进行空间插值；数字高程模型（DEM）数据来源于GEE平台NASA DEM30m数据集（NASA/NASADEM_HGT/001）, 坡度和坡向数据由DEM数据派生获得；地貌类型、土壤类型、植被类型和土地利用类型数据（2000、2005、2010、2015和2020年这5期）均来源于中国科学院资源环境科学与数据中心（https://www.resdc.cn/）, 空间分辨率均为1 km；2000 ~ 2020年人口密度数据来源于WorldPop（https://www.worldpop.org/）发布的Population Density数据, 空间分辨率为1 km.运用ArcGIS10.8对以上数据再次进行掩膜提取、投影转换和重采样等处理, 确保所有影像与NDVI数据空间参考一致和像元大小相同.
1.2.3 自然地理分区数据植被区数据来源于《1∶100万中国植被图集》与《中国植被》中植被区划系统, 将研究区植被划分为草原区和针叶林区2大区域；气候区数据来源于《中国气候区划图》, 将研究区划分为半干旱区、半湿润区和湿润区这3个气候区；土壤区数据来源于《1∶100万中华人民共和国土壤图》, 研究区内包括淋溶土、半淋溶土、钙层土、初育土、半水成土、水成土和盐碱土这7个土纲；地貌区数据来源于《中华人民共和国地貌图集（1∶100万）》, 经重分类整合后, 将研究区地貌划分为平原、台地、丘陵和山地这4类.
1.3 研究方法 1.3.1 Sen+Mann-Kendall趋势分析将Theil-Sen Median非参数斜率估计与Mann-Kendall趋势检验相结合, 该方法抗噪性强, 无需样本遵从正态分布且能够规避异常值干扰[5].基于Matlab2016a逐像元判断2000 ~ 2020年大兴安岭林草交错带NDVI变化趋势.公式如下：
|
(1) |
式中, median为中值函数；NDVIi和NDVIj分别为第i年和第j年的NDVI值.当β > 0, 表示NDVI呈上升趋势, 反之则呈下降趋势.对于检验统计量Z, 在给定的置信水平α下, 当|Z| > Z1-α/2, 表示NDVI时间序列存在显著变化, 反之则为不显著变化, 本文取α为0.1、0.05和0.01.结合β值与|Z|值, 将NDVI变化趋势类型划分为极显著退化（β < 0, |Z| ≥ 2.58）、显著退化（β < 0, 1.96 ≤ |Z| < 2.58）、弱显著退化（β < 0, 1.64 ≤ |Z| < 1.96）、极显著改善（β > 0, |Z| ≥ 2.58）、显著改善（β > 0, 1.96 ≤ |Z| < 2.58）、弱显著改善（β > 0, 1.64 ≤ |Z| < 1.96）和无显著变化（|Z| < 1.64）这7个等级.
1.3.2 Hurst指数基于重标极差（R/S）分析法的Hurst指数能够定量描述时间序列信息的长期依赖性, 对其未来演变趋势进行预测[27].原理如下：
|
(2) |
|
(3) |
|
(4) |
|
(5) |
式（2）~（5）分别为NDVI均值、累积离差、极差和标准差序列.考虑比值R（τ）/S（τ）≌ R/S, 若满足R/S∝τH, 说明时间序列NDVI（t）存在Hurst现象, H值可在双对数坐标系（lnτ, lnR/S）中通过最小二乘法拟合得出.当0 < H < 0.5、0.5 < H < 1和H = 0.5, 分别表示NDVI时间序列具有反持续性、持续性和随机性.
1.3.3 指标选取与信息提取（1）指标选取
大兴安岭林草交错带地理环境复杂, 人为干扰强烈, 植被生长和分布受多因素综合作用[28].本文基于典型性、动态性、系统性、科学性和可量化性原则, 并结合研究区实际特点构建指标体系, 选取气候、地形地貌、土壤、植被和人类活动共5类因素16个因子对大兴安岭林草交错带NDVI空间分异驱动力进行探测（表 1）.
|
表 1 探测因子指标 Table 1 Detection factor index |
（2）信息提取
借助ArcGIS 10.8渔网工具, 在研究区范围内建立3 km×3 km格网, 生成共14 930个均匀分布的中心点作为采样点, 提取所有采样点的NDVI与各探测因子属性值并依据空间位置对其进行关联, 从而获取NDVI与各指标间的定量关系.
1.3.4 地理探测器地理探测器的核心思想是依据“若某自变量对因变量有重要影响, 则其与因变量的分布格局具有相似性”假设, 度量自变量对因变量的贡献率[4], 在环境科学[27]、社会经济[29]和人类健康[30]等多领域已有广泛应用.本文主要聚焦因子探测和交互探测这2个模块, 揭示不同探测因子对大兴安岭林草交错带NDVI空间分异的驱动机制.
（1）因子探测 探测因变量Y的空间分异性, 并识别各探测因子X在多大程度上解释了Y的空间分异.公式如下：
|
(6) |
式中, L为因变量Y或探测因子X的分层；Nh和σ2 h分别为层h的单元数和Y值方差, N和σ2分别为研究区的总单元数和Y值方差.q值域为[0, 1], 其值越大, 表示探测因子X对NDVI空间分异的解释力越强, 反之则越弱.
（2）交互作用探测 评估探测因子X1和X2共同作用时对因变量Y空间分异的解释力是增强或减弱, 或相互独立.交互作用结果可分为表 2中的5类.
|
|
表 2 双因子交互作用类型 Table 2 Types of two-factor interaction |
1.3.5 数据离散化
由于地理探测器要求输入自变量为类型量, 因此需对自变量中的连续变量进行离散化处理.参考前人经验[27, 31 ~ 34]并兼顾模型精度和运行效率[18], 采用自然断点法分别以5 ~ 9类为分类数量对大兴安岭林草交错带NDVI空间分异驱动力进行探测, 得出q值随分类数量增多整体呈上升趋势.王劲峰等[35]的研究指出, 分类效果可通过q统计量来评价, q值越大分区效果越好, 因此将各气候因子、高程和人口密度划分为9类；依据《水土保持综合治理规划通则》（GB/T 15772-2008）, 将坡度划分为6类；以正北为0°, 45°为步长, 将坡向划分为9类.此外, 对于地貌类型、土壤类型、植被类型和土地利用类型这4种类型变量, 根据大类标准分别将其划分为8、12、8和6类.
2 结果与分析 2.1 NDVI时空演变特征分析 2.1.1 时间变化特征从年际变化看, 2000 ~ 2020年大兴安岭林草交错带植被NDVI均值整体呈上升趋势, 增长率为0.002 a-1（P < 0.05）, 但波动幅度较大, 其中2007年和2016年NDVI均值明显下降, 这主要与该年东北地区遭遇严重旱情灾害有关[36].NDVI均值在2013年达到最高, 为0.809, 在2007年跌至最低, 为0.726, 多年均值为0.777. 21年间各行政区划单元NDVI均值均呈上升趋势, 其中新巴尔虎左旗增长率最高, 为0.004 a-1, 陈巴尔虎旗和海拉尔区次之, 分别为0.003 a-1和0.002 a-1, 额尔古纳市上升趋势最为缓慢, 增长率仅为0.001 a-1.根河市21年间植被覆盖状况优于其他行政区划单元, NDVI多年均值最高, 为0.860, 牙克石市和额尔古纳市次之, 分别为0.873和0.844, 新巴尔虎左旗NDVI多年均值最低, 为0.574[图 2（a）].
|
红色虚线和方程是对大兴安岭林草交错带的拟合 图 2 2000 ~ 2020年大兴安岭林草交错带NDVI年际变化与突变特征 Fig. 2 Interannual variation and mutation characteristic of NDVI in Greater Khingan Mountains forest-steppe ecotone from 2000 to 2020 |
从突变特征看, 通过Mann-Kendall突变检验发现顺序统计量UF曲线和逆序统计量UB曲线在约2011年处存在一个交点, 且交点位于95%置信区间内, 表明大兴安岭林草交错带植被NDVI于2011年发生上升突变[图 2（b）], 这主要与2011年前后东北地区气候环境“暖湿化”趋势明显增强[37], 促使植被返青期提前, 积雪加速融化补充土壤水分改善其墒情, 更有利于植被生长发育有关.
2.1.2 空间变化特征2000 ~ 2020年大兴安岭林草交错带植被NDVI空间分异显著, 呈“自西南向东北递增”格局, 高值区主要分布在额尔古纳市、根河市和牙克石市, 低值区主要分布在新巴尔虎左旗、海拉尔区和陈巴尔虎旗, 主要原因：一方面与植被类型分布密切相关, 研究区西南部主要植被类型为草原、草甸和栽培植被, 而东南部主要分布有大面积的针叶林与阔叶林；另一方面是由于研究区西南部地势较为平缓, 城镇化发展更为迅速, 尤其是各城市主城区的高强度开发对植被生长产生一定程度抑制作用（图 3）.
|
图 3 2000年和2020年大兴安岭林草交错带NDVI空间分布 Fig. 3 Spatial distribution of NDVI in Greater Khingan Mountains forest-steppe ecotone in 2000 and 2020 |
从分布变化看, 2000 ~ 2020年大兴安岭林草交错带低、中低和中植被覆盖面积整体趋于减少, 中高和高植被覆盖面积整体趋于增长.转移矩阵详细说明了各等级植被覆盖间的转换过程, 21年间NDVI总转移面积为28 256 km2, 占比21%.NDVI等级间的流动多为流向相邻的更高等级, 其中以“中植被覆盖→中高植被覆盖”为主（面积9 640 km2, 占比7%）, “中高植被覆盖→高植被覆盖”次之（面积8 145 km2, 占比6%）.21年间中、中高和高植被覆盖区域的转换更为频繁, 转出面积分别为10 331、9 617和6 112 km2, 转入面积分别为3 306、15 942和8 490 km2.总体来看, 2000 ~ 2020年有6%的区域NDVI向更低等级转化, 但有15%的区域NDVI转向更高等级, 表明研究区植被覆盖转化以正向演进为主, 生态环境整体向好（表 3）.
|
|
表 3 2000年和2020年大兴安岭林草交错带NDVI等级转移矩阵/km2 Table 3 Transfer matrix of NDVI grade in Greater Khingan Mountains forest-steppe ecotone in 2000 and 2020/km2 |
从演化趋势看, 2000 ~ 2020年大兴安岭林草交错带植被NDVI Sen趋势均值为0.002 a-1（-0.038 ~ 0.044 a-1）, 改善面积总计55 696 km2, 占比41%, 其中以显著和极显著改善为主, 均占比16%, 主要分布在根河市、牙克石市和额尔古纳市中部等地, 弱显著改善次之, 占比9%, 主要分布在新巴尔虎左旗和陈巴尔虎旗西南部等地, 这些区域植被覆盖均有不同程度改善, 应持续推进其林业生态建设工作.退化面积总计2 210 km2, 仅占比2%, 零星分布于海拉尔区西部、鄂温克族自治旗中部和新巴尔虎左旗东南部等地, 这主要是由于过度放牧、盲目开荒和建设用地扩张等导致土地沙化, 使植被生长发育遭受逆境胁迫, 这些区域植被变竭形势依然严峻, 仍需引起重视.总体来看, 21年间研究区东北部NDVI Sen趋势值普遍低于西南部, 但其植被改善程度相对更高, NDVI变化趋势整体上表现出明显的地域异质性, 植被改善区域面积远大于退化区域面积, 生态恢复成效显著, 与空间分布变化分析结果相符合（图 4）.
|
图 4 2000 ~ 2020年大兴安岭林草交错带NDVI变化趋势 Fig. 4 Variation trend of NDVI in Greater Khingan Mountains forest-steppe ecotone from 2000 to 2020 |
大兴安岭林草交错带植被NDVI的H值均值为0.534（0.172 ~ 0.764）, 其中H > 0.5的像元数占比66%, 表明NDVI未来变化整体呈持续性特征.依据研究区H值计算实际情况, 将其划分为强和弱的持续和反持续这4个等级, 其中弱持续性占比最高, 达58%, 分布较为广泛；弱反持续性次之, 占比33%, 主要分布在陈巴尔虎旗、鄂温克族自治旗和新巴尔虎左旗等地；强持续性面积较小, 占比8%, 主要集中在根河市中部和新巴尔虎左旗西北部等地；强反持续性分布极少且相对破碎, 仅占比1%[图 5（a）].
|
图 5 大兴安岭林草交错带NDVI未来变化特征 Fig. 5 Future variation characteristic of NDVI in Greater Khingan Mountains forest-steppe ecotone |
为进一步揭示大兴安岭林草交错带植被NDVI未来演变规律, 将NDVI变化趋势与H值进行空间耦合叠加分析, 得出NDVI未来呈改善趋势的面积总计49 483 km2, 占比37%, 其中以弱持续改善为主, 占比30%, 主要分布在牙克石市、根河市四周和鄂温克族自治旗东南部等地；强持续改善次之, 占比7%, 主要分布在根河市中部和新巴尔虎左旗西北部等地.NDVI未来呈退化趋势的面积总计8 423 km2, 占比6%, 其中以弱反持续改善为主, 占比5%, 主要分布在陈巴尔虎旗西部和新巴尔虎左旗北部等地；弱持续退化次之, 占比1%, 分布较为零散.总体来看, 研究区NDVI将延续稳中向好发展态势, 未来演变趋势多为持续改善, 占比37%, 但以弱持续性居多.尤应注意的是, 仍分别有2 016 km2和6 407 km2的区域NDVI未来演变趋势为持续退化和由改善转为退化, 主要分布在海拉尔区西部、鄂温克自治旗中部和陈巴尔虎旗西南部等地, 这与水热条件改变和土地利用类型重构等因素相关, 需加强这些区域的林草资源保护与管理, 最大限度减缓或逆转其未来植被退化风险[图 5（b）].
2.3 NDVI驱动因素地理探测 2.3.1 影响力探测 2.3.1.1 全域影响力探测从静态角度看, 以2000 ~ 2020年大兴安岭林草交错带植被NDVI与各因子均值为变量进行分析, 除人口密度外, 各因子对NDVI空间分异的解释力均通过P < 0.001显著性检验, 表明其q值具有统计学意义.结合已有研究[15], 将解释力划分为强（0.5 ≤ q < 1）、中（0.3 ≤ q < 0.5）、弱（0.1 ≤ q < 0.3）和无（0 ≤ q < 0.1）这4类, 其中, 风速、蒸发、相对湿度、日照时数、气温、降水、土壤类型和0 cm地温为强解释力（0.571 ≤ q ≤ 0.811）；植被类型、气压、土地利用类型、高程和地貌类型为中解释力（0.335 ≤ q ≤ 0.476）；坡度为弱解释力（q = 0.191）；而坡向和人口密度对NDVI空间分异基本不产生影响（q为0.037和0.008）.总体来看, 气候和土壤因素对研究区NDVI空间分异的解释力相对较强, 植被、地形地貌和人类活动因素的解释力相对较弱（表 4）.
|
|
表 4 大兴安岭林草交错带各因子对NDVI空间分异解释力 Table 4 Explanatory power of each factor on NDVI spatial differentiation in Greater Khingan Mountains forest-steppe ecotone |
从动态角度看, 各因子对大兴安岭林草交错带植被NDVI空间分异的解释力呈不同程度变化趋势.在2000 ~ 2005、2005 ~ 2010、2010 ~ 2015和2015 ~ 2020年这4个时段下, 分别为气温、植被类型、日照时数和0 cm地温q值增加最明显, 而日照时数、降水、0 cm地温和降水q值减少最显著.总体来看, 21年间气温、降水、日照时数、相对湿度、风速、0 cm地温和坡向对研究区NDVI空间分异的影响趋于减弱, 其中坡向q值下降速率最高, 为0.030 a-1；而坡度和土地利用类型的影响趋于增强, 上升速率分别为0.027 a-1和0.012 a-1, 这主要是由于近年来受到“坡改梯”、“封山育林”和“耕地治理”等工程的影响；其余各因子q值时间变化较不明显（速率 < 0.010 a-1, 图 6）.
|
图 6 大兴安岭林草交错带各因子对NDVI空间分异解释力时间变化 Fig. 6 Temporal variation in the explanatory power of each factor on NDVI spatial differentiation in Greater Khingan Mountains forest-steppe ecotone |
在大兴安岭林草交错带不同自然地理分区下的各分区单元中, 各因子对植被NDVI的空间分异解释力具有显著差异.不同植被分区下, 相对湿度、风速和蒸发均是NDVI空间分异的前三主控驱动因子, 但在针叶林区中均为弱解释力（0.114 ≤ q ≤ 0.144）, 而在草原区中均为强解释力（0.703 ≤ q ≤ 0.751）.总体来看, 各因子在草原区对NDVI空间分异的影响普遍显著高于针叶林区, 这主要是由于森林区域群落结构和生态系统稳定性相对较高, 对于外界变化具有更强的自我调节能力, 削减了植被对环境因子的依赖性.
气候分区上, 在湿润区中, 各因子q值均低于0.1（0.002 ≤ q ≤ 0.081）且未通过P < 0.05显著性检验, 表明其对NDVI空间分异的影响极其微弱；在其他两类气候分区中, 相对湿度、风速和蒸发均是NDVI空间分异的前三主控驱动因子, 但在半湿润区中均为强解释力（0.529 ≤ q ≤ 0.639）, 而在半干旱区中均为中解释力（0.377 ≤ q ≤ 0.384）.总体来看, 各因子对NDVI空间分异的影响普遍为半湿润区 > 半干旱区 > 湿润区, 但在气候因素中, 气温和0 cm地温对半干旱区NDVI空间分异的解释力高于半湿润区, 表明其对热量条件的响应更加敏感.
土壤分区上, 在淋溶土中, 仅日照时数和风速q值通过P < 0.001显著性检验, 但均为弱解释力（q为0.120和0.131）；在半淋溶土和水成土中, 高程和风速分别是NDVI空间分异的首位主控驱动因子, 分别为中和强解释力（q为0.309和0.530）；在钙层土、初育土和半水成土中, NDVI空间分异的前二主控驱动因子均为风速和蒸发, 且均为强解释力（0.680 ≤ q ≤ 0.787）；在盐碱土中, 各因子q值均未通过P < 0.05显著性检验.总体来看, 各因子在淋溶土和半淋溶土中对NDVI空间分异的影响相对弱于其他土壤分区, 这与此2类土壤中有机质含量更为丰富, 植被多以乔灌为主有关.
地貌分区上, 在平原、丘陵和台地中, NDVI空间分异的前三主控驱动因子均为相对湿度、风速和蒸发, 且均为强解释力（0.613 ≤ q ≤ 0.833）；在山地中, 风速、日照时数和蒸发是NDVI空间分异的前三主控驱动因子, 为中解释力（0.389 ≤ q ≤ 0.446）.总体来看, 气候、土壤和人类活动因素在丘陵中对NDVI空间分异的解释力相对更强, 地形地貌和植被因素分别在台地和平原中解释力相对更强, 而各因子对山地区域NDVI空间分异的解释力均相对较弱（图 7）.
|
**表示P < 0.01, *表示P < 0.05；“—”表示该分区单元内仅包含一种土壤/地貌类型, 因此无值 图 7 大兴安岭林草交错带不同分区各因子对NDVI空间分异解释力 Fig. 7 Explanatory power of each factor on NDVI spatial differentiation in different zones in Greater Khingan Mountains forest-steppe ecotone |
不同因子间的交互作用对大兴安岭林草交错带植被NDVI空间分异的q值区间为0.046 ~ 0.839, 其中解释力排在前三的交互作用分别为风速∩土壤类型（q = 0.839）、降水∩ 0 cm地温（q = 0.837）和风速∩植被类型（q = 0.834）, 表明NDVI空间分异主要受气候、土壤和植被因素的协同影响.同时, 各气候因子间的交互作用均为强解释力（0.689 ≤ q ≤ 0.837）, 进一步佐证了影响力探测中气候因素在NDVI空间分异过程中解释力占主导地位的结论.总体来看, 除人口密度∩降水、日照时数、风速、坡向和土壤类型的交互作用为非线性增强关系外, 其余各因子间的交互作用均为双因子增强关系, 不存在减弱及独立的关系, 表明研究区任意双因子间的交互作用对NDVI空间分异的解释力均较单因子解释力有显著提升（图 8）.
|
BE表示双因子增强, NE表示非线性增强 图 8 大兴安岭林草交错带各因子交互作用探测结果 Fig. 8 Detection results of the interaction of each factor in Greater Khingan Mountains forest-steppe ecotone |
大兴安岭林草交错带不同自然地理分区下的各分区单元植被NDVI空间分异的主导交互作用有所差异, 但整体与全域交互作用探测结果表现出较好的一致性.植被分区上, 除针叶林区的第二主导交互作用为0 cm地温∩高程（q = 0.260）外, 各植被区的前三主导交互作用均为风速∩其他因子（0.251 ≤ q ≤ 0.790）.总体来看, 针叶林区的前三主导交互作用均为非线性增强关系和弱解释力, 而草原区的前三主导交互作用均为双因子增强关系和强解释力.
气候分区上, 湿润区的前二主导交互作用均为高程∩气候因子, 且均为非线性增强关系（q为0.154和0.153）；半湿润区的前三主导交互作用均为降水∩其他气候因子（0.692 ≤ q ≤ 0.700）；在半干旱区中, 蒸发和土地利用类型在前三主导交互作用中出现频次较高；总体来看, 相较于其他气候分区, 半干旱区NDVI空间分异受人类活动与气候因素的协同作用相对更明显.
土壤分区上, 淋溶土和半淋溶土的前三主导交互作用均为气候因子∩高程（0.218 ≤ q ≤ 0.407）；钙层土、初育土和半水成土的前三主导交互作用均为气候因子间或气候因子∩地貌类型, 且均为双因子增强关系（0.760 ≤ q ≤ 0.820）；水成土的前三主导交互作用中均包含风速（0.609 ≤ q ≤ 0.639）；盐碱土的前三主导交互作用均为气候因子∩坡向, 且均为非线性增强关系（0.850 ≤ q ≤ 0.893）.总体来看, 除淋溶土和半淋溶土的前三主导交互作用分别为弱和中解释力外, 其他土壤分区的前三主导交互作用均为强解释力.
地貌分区上, 平原和台地的第一主导交互作用均为气候因子∩土壤类型, 且前三主导交互作用均为双因子增强关系（0.752 ≤ q ≤ 0.810）；在丘陵和山地中, 除山地的第三主导交互作用为风速∩高程（q = 0.521）外, 其他前三主导交互作用均为降水∩其他气候因子（0.521 ≤ q ≤ 0.876）.总体来看, 平原和台地NDVI空间分异主要受气候、土壤和植被因素的协同影响, 而丘陵和山地NDVI空间分异主要受以降水为主导的气候因素间共同作用（表 5）.
|
|
表 5 大兴安岭林草交错带不同分区排名前三的各因子交互作用探测结果1） Table 5 Top three detection results of the interaction of each factor in different zones in Greater Khingan Mountains forest-steppe ecotone |
3 讨论 3.1 NDVI动态变化
2000 ~ 2020年大兴安岭林草交错带植被NDVI在时间上呈波动增长态势, 在空间上以改善为主且未来演变趋势主要为持续改善, 整体植被覆盖状况有大幅提升, 并表现出明显的时空异质性, 这与张佳琦[38]和史娜娜等[39]研究的结论一致.但同时也应注意到, 21年间新巴尔虎左旗东南部、海拉尔区西部和鄂温克自治旗中部等地始终植被覆盖等级较低, 退化程度较强且退化风险较高.主要有以下两方面原因：其一, 研究区西南部以草地和耕地为主, 植被群落稳定性相对较差, 加之高强度的农业活动及半干旱的气候条件限制, 使得土壤盐渍化, 加剧水土流失；其二, 快速城镇化背景下, 各城市中心区建筑用地急剧扩张, 侵占林草地, 对生态环境造成压力, 这与段新宇等[23]研究的结论一致.这些地区仍面临的植被危机不容忽视, 需持续跟踪关注.
3.2 NDVI驱动机制全域尺度上, 大兴安岭林草交错带植被NDVI空间分异受风速、蒸发和相对湿度的影响最为显著, 这与王子玉等[40]研究的结果基本一致, 但与袁换欢等[28]研究的结果略有差异, 主要是由于选取的研究时段及驱动因素不同所造成.研究区内风速和蒸发具有较强的空间异质性, 其中西南部多风沙且蒸发旺盛, 导致蒸散强烈, 土壤含水量下降, 易造成干旱胁迫, 不利于植被生产力积累, 同时易侵蚀表土, 损伤植物幼苗[41, 42], 而东北部风速和蒸发相对较低, 使得风蚀强度减弱, 土壤中的水分条件得以改善, 促进植被生长发育；相对湿度是区域水热光条件的综合体现, 研究区西南部高温少雨, 相对湿度明显低于东北部, 导致植物叶片长期失水气孔关闭, 光合作用减慢进而抑制植被生长[43], 因此NDVI地域差异较大, 西南部植被覆盖较东北部显著降低.通过比较各因子解释力时间变化发现, 虽自然因素对NDVI空间分异的影响始终处于主导地位, 但其解释力趋于减弱, 而人为因素的解释力愈发增强.分析其原因主要为, “退耕还林还草”、“天然林保护修复”和“沙化土地封禁”等政策的落实使植被景观格局更加稳定, 间接削弱了植被对自然环境的敏感性；此外, 21世纪以来经济高速发展带来的土地开发与人口激增, 也使得人类活动对植被恢复的负效应日益突出, 在不同学者[20, 24, 25, 44]的相关研究中也证实了这一观点.
鉴于大兴安岭林草交错带植被NDVI地域分布的强异质性, 本文基于不同自然地理分区尺度对各因子驱动机制开展针对性探讨.各因子在草原区对NDVI空间分异的解释力相对更高, 主要原因与该区域内分布有大量草原、草甸和栽培植被, 较森林植被根系更浅, 物种丰富度与生物量更低, 更容易受到环境变化干扰[45]密切相关；干旱气候区土壤渗透性强且地表蒸发量大, 高温加重土壤干层发育强度, 对受水分限制地区的植被生长有更明显抑制作用[46], 因此相较于湿润气候区, 其NDVI变化受热量影响更显著, 这与前人研究的结果相吻合[15, 47]；土壤类型影响其内部有机质含量与水分利用效率[48], 淋溶土和半淋溶土水肥保持能力较强, 植被主要为针叶林和阔叶林, NDVI均值较高, 而其他土壤区含水量与营养元素相对匮乏, 植被以草本为主, NDVI均值较低且对外界环境的依赖性更强；地貌形态类型从宏观上控制地表过程的发生发展[34], 不同地貌区内各因素对NDVI空间分异解释力差异显著.例如：降水对NDVI空间分异的解释力在平原、台地和丘陵中是山地的近2倍, 这与山地复杂地形有利于水汽输送, 使雨量丰沛, 导致植被对降水的响应明显减弱有关.综上, 在具体植被建设中, 应充分立足不同区域资源禀赋差异, 因地制宜选择并培育适于不同环境生长的物种, 采取差别化管控措施和补偿机制, 以提高植被存活率, 保障生态系统的平衡与稳定.
植被对环境的响应是一个多因素耦合驱动的复杂过程, 交互探测结果更证明了这一观点.全域及分区尺度下, 因子间的交互作用均较单因子作用对NDVI空间分异的解释度有所增强, 且并非简单的叠加过程, 而是表现为双因子增强或非线性增强关系, 其中气候因子间及气候因子与土壤和植被类型的交互作用对全域NDVI空间分异的解释力排在前列, 不同分区类型下各分区单元的主导交互作用差异较大.因此, 在大兴安岭林草交错带的未来生态规划中, 应同时注重将各因子间的协同效应纳入考虑范畴, 从多视角和多维度维系植被建设成果.
3.3 不足与展望本文仅采用了MODIS NDVI数据, 未使用多源NDVI数据进行相互验证, 且选取的探测因子数量相对有限, 尤其在人类活动因素方面只选取了土地利用类型和人口密度这2类密切相关因子, 忽略了生产总值、农业政策和城市分布等其他因子的影响.后续将加强多源数据融合和集成分析, 并完善因子指标体系, 以确保研究结果更加客观全面.此外, 地理探测器虽在科学性上有独特优势, 但在应用中对连续变量的离散化处理并无明确标准, 不同的离散化方法及分类数量会对探测结果产生一定影响.本研究虽使用自然断点法最大限度提高了各类型间的差异, 并结合模型的分类效果评价依据等确定了较佳分类数, 但揭示离散化方法和分类数量改变对探测结果的具体影响规律仍将是今后继续研究的重点方向.
4 结论（1）时间上, 2000 ~ 2020年大兴安岭林草交错带及各行政单元NDVI均呈上升趋势, 整体增长率为0.002 a-1（P < 0.05）并于2011年发生上升突变；空间上, NDVI地域分异明显, 呈“自西南向东北递增”格局, 植被覆盖状况良好.21年间中、中低和中植被覆盖面积趋于减少, 中高和高植被覆盖面积趋于增长, NDVI等级转移以“中植被覆盖→中高植被覆盖”为主, 植被改善区域面积远大于退化区域面积, 分别占比41%和2%, 生态恢复成效显著.
（2）趋势预测上, 大兴安岭林草交错带NDVI的H值大于0.5的像元数占比66%, NDVI未来变化整体呈持续性特征, 但以弱持续为主.NDVI未来演变趋势多为持续改善, 占比37%, 但仍有6%的区域面临植被持续退化以及由改善转为退化的风险.
（3）影响力探测结果表明, 全域尺度上, 气候和土壤因素对大兴安岭林草交错带NDVI空间分异的解释力相对较强, 植被、地形地貌和人类活动因素解释力相对较弱, 但21年间自然因素的影响呈削减态势, 而人为因素的影响正逐步增强；分区尺度上, 在不同植被区、气候区、土壤区和地貌区中, 各因子对NDVI空间分异的解释力存在较大差异.
（4）交互探测结果表明, 全域及分区尺度下, 大兴安岭林草交错带各因子间协同效应均表现为双因子增强或非线性增强关系, 较单因子作用有明显提升.气候因子间及气候因子∩土壤和植被类型的交互作用对全域NDVI空间分异的影响较为突出, 其中风速∩土壤类型解释力最高, q值为0.839；不同分区类型下各分区单元的主导交互作用各异.
| [1] |
金岩松, 金凯, 王飞, 等. 气候变化和人类活动对东部沿海地区NDVI变化的影响分析[J]. 环境科学, 2023, 44(6): 3329-3342. Jin Y S, Jin K, Wang F, et al. Impacts of climate change and human activities on NDVI change in eastern coastal areas of China[J]. Environmental Science, 2023, 44(6): 3329-3342. |
| [2] | Jiang P, Ding W G, Yuan Y, et al. Interannual variability of vegetation sensitivity to climate in China[J]. Journal of Environmental Management, 2022, 301. DOI:10.1016/j.jenvman.2021.113768 |
| [3] | Piao S L, Wang X H, Park T, et al. Characteristics, drivers and feedbacks of global greening[J]. Nature Reviews Earth & Environment, 2020, 1(1): 14-27. |
| [4] | Huo H, Sun C P. Spatiotemporal variation and influencing factors of vegetation dynamics based on Geodetector: A case study of the northwestern Yunnan Plateau, China[J]. Ecological Indicators, 2021, 130. DOI:10.1016/j.ecolind.2021.108005 |
| [5] |
田智慧, 任祖光, 魏海涛. 2000 ~ 2020年黄河流域植被时空演化驱动机制[J]. 环境科学, 2022, 43(2): 743-751. Tian Z H, Ren Z G, Wei H T. Driving mechanism of the spatiotemporal evolution of vegetation in the Yellow River basin from 2000 to 2020[J]. Environmental Science, 2022, 43(2): 743-751. |
| [6] |
金凯, 王飞, 韩剑桥, 等. 1982—2015年中国气候变化和人类活动对植被NDVI变化的影响[J]. 地理学报, 2020, 75(5): 961-974. Jin K, Wang F, Han J Q, et al. Contribution of climatic change and human activities to vegetation NDVI change over China during 1982-2015[J]. Acta Geographica Sinica, 2020, 75(5): 961-974. |
| [7] | Zhai L, Cheng S Y, Sang H Y, et al. Remote sensing evaluation of ecological restoration engineering effect: A case study of the Yongding River Watershed, China[J]. Ecological Engineering, 2022, 182. DOI:10.1016/j.ecoleng.2022.106724 |
| [8] | Ma C F, Johansen K, McCabe M F. Combining Sentinel-2 data with an optical-trapezoid approach to infer within-field soil moisture variability and monitor agricultural production stages[J]. Agricultural Water Management, 2022, 274. DOI:10.1016/j.agwat.2022.107942 |
| [9] |
范泽孟. 中国生态过渡带分布的空间识别及情景模拟[J]. 地理学报, 2021, 76(3): 626-644. Fan Z M. Spatial identification and scenario simulation of ecotone distribution in China[J]. Acta Geographica Sinica, 2021, 76(3): 626-644. |
| [10] |
苏伟, 刘晓暄, 罗倩, 等. 北方农牧交错带植被对气象因子变化的响应规律研究[J]. 农业机械学报, 2015, 46(11): 352-359. Su W, Liu X X, Luo Q, et al. Responses of vegetation to change of meteorological factors in agricultural-pastoral area of Northern China[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(11): 352-359. DOI:10.6041/j.issn.1000-1298.2015.11.048 |
| [11] |
陈宸, 井长青, 邢文渊, 等. 近20年新疆荒漠草地动态变化及其对气候变化的响应[J]. 草业学报, 2021, 30(3): 1-14. Chen C, Jing C Q, Xing W Y, et al. Desert grassland dynamics in the last 20 years and its response to climate change in Xinjiang[J]. Acta Prataculturae Sinica, 2021, 30(3): 1-14. |
| [12] |
邵秋芳. 川西北林草交错区生态环境遥感监测与生态脆弱性时空变化驱动机制研究[D]. 成都: 成都理工大学, 2019. Shao Q F. The research of eco-environment remote sensing monitoring and ecological vulnerability spatiotemporal process driving mechanism in the forest-grass ecotone of Northwest Sichuan[D]. Chengdu: Chengdu University of Technology, 2019. |
| [13] | Moreno-de las Heras M, Díaz-Sierra R, Turnbull L, et al. Assessing vegetation structure and ANPP dynamics in a grasslandshrubland Chihuahuan ecotone using NDVI-rainfall relationships[J]. Biogeosciences, 2015, 12(10): 2907-2925. DOI:10.5194/bg-12-2907-2015 |
| [14] |
陈婷, 夏军, 邹磊, 等. 白洋淀流域NDVI时空演变及其对气候变化的响应[J]. 资源科学, 2021, 43(6): 1248-1259. Chen T, Xia J, Zou L, et al. Spatiotemporal variations of NDVI of different vegetation types in the Baiyangdian Basin under the background of climate change[J]. Resources Science, 2021, 43(6): 1248-1259. |
| [15] |
陈玉兰, 焦菊英, 田红卫, 等. 黄土高原归一化植被指数与自然环境因子的空间关联性——基于地理探测器[J]. 生态学报, 2022, 42(9): 3569-3580. Chen Y L, Jiao J Y, Tian H W, et al. Spatial correlation analysis between vegetation NDVI and natural environmental factors based on geographical detector on the Loess Plateau[J]. Acta Ecologica Sinica, 2022, 42(9): 3569-3580. |
| [16] |
王强, 张勃, 戴声佩, 等. 三北防护林工程区植被覆盖变化与影响因子分析[J]. 中国环境科学, 2012, 32(7): 1302-1308. Wang Q, Zhang B, Dai S P, et al. Analysis of the vegetation cover chang and its relationship with factors in the Three-North Shelter Forest Program[J]. China Environmental Science, 2012, 32(7): 1302-1308. |
| [17] | Hein L, de Ridder N, Hiernaux P, et al. Desertification in the Sahel: Towards better accounting for ecosystem dynamics in the interpretation of remote sensing images[J]. Journal of Arid Environments, 2011, 75(11): 1164-1172. DOI:10.1016/j.jaridenv.2011.05.002 |
| [18] |
龚仓, 王顺祥, 陆海川, 等. 基于地理探测器的土壤重金属空间分异及其影响因素分析研究进展[J]. 环境科学, 2023, 44(5): 2799-2816. Gong C, Wang S X, Lu H C, et al. Research progress on spatial differentiation and influencing factors of soil heavy metals based on Geographical Detector[J]. Environmental Science, 2023, 44(5): 2799-2816. |
| [19] |
钱芮, 段新宇, 杨海军, 等. 大兴安岭林草交错带草地退化成因分析及其应对策略[J]. 中国科学: 生命科学, 2022, 52(12): 1883-1896. Qian R, Duan X Y, Yang H J, et al. Analysis of causes of foreststeppe ecotone degradation and countermeasures in the Greater Xing' an Range[J]. Scientia Sinica Vitae, 2022, 52(12): 1883-1896. |
| [20] | Qiao Z, Yang X, Liu J, et al. Ecological vulnerability assessment integrating the spatial analysis technology with algorithms: A Case of the wood-grass ecotone of northeast China[J]. Abstract and Applied Analysis, 2013, 2013. DOI:10.1155/2013/207987 |
| [21] |
冒许鹏, 刁娇娇, 范佳辉, 等. 内蒙古大兴安岭林草交错带景观动态分析[J]. 生态学报, 2021, 41(21): 8623-8634. Mao X P, Diao J J, Fan J H, et al. Dynamic analysis and prediction of landscape pattern in Daxinganling forest-grass ecotone in the Inner Mongonia[J]. Acta Ecologica Sinica, 2021, 41(21): 8623-8634. |
| [22] |
张宝林, 贾瑞晨, 刘国彬, 等. 内蒙古退耕还林区植被恢复状况的遥感分析[J]. 环境科学与技术, 2016, 39(1): 187-193. Zhang B L, Jia R C, Liu G B, et al. Remote sensor analysis of vegetation restoration in green-for-grain project areas of Inner Mongolia[J]. Environmental Science & Technology, 2016, 39(1): 187-193. |
| [23] |
段新宇, 钱芮, 黄学文, 等. 大兴安岭森林草原过渡带典型植物群落动态变化特征[J]. 生态学报, 2022, 42(20): 8374-8384. Duan X Y, Qian R, Huang X W, et al. Dynamic changes of plant communities in typical regions of the forest-steppe ecotone in Greater Xing' an Range[J]. Acta Ecologica Sinica, 2022, 42(20): 8374-8384. |
| [24] | You G Y, Liu B, Zou C X, et al. Sensitivity of vegetation dynamics to climate variability in a forest-steppe transition ecozone, north-eastern Inner Mongolia, China[J]. Ecological Indicators, 2021, 120. DOI:10.1016/j.ecolind.2020.106833 |
| [25] |
乔亚军, 张慧, 刘坤, 等. 呼伦贝尔林草交错带植被固碳释氧功能变化及其驱动力研究[J]. 水土保持研究, 2022, 29(5): 164-170. Qiao Y J, Zang H, Liu K, et al. Study on the change of function of vegetation carbon fixation and oxygen release and its driving force in Hulunbuir forest-steppe ecotone[J]. Research of Soil and Water Conservation, 2022, 29(5): 164-170. |
| [26] |
沈国强, 郑海峰, 雷振锋. SPEI指数在中国东北地区干旱研究中的适用性分析[J]. 生态学报, 2017, 37(11): 3787-3795. Shen G Q, Zheng H F, Lei Z F. Applicability analysis of SPEI for drought research in Northeast China[J]. Acta Ecologica Sinica, 2017, 37(11): 3787-3795. |
| [27] |
徐勇, 黄雯婷, 郑志威, 等. 基于空间尺度效应的西南地区植被NPP影响因子探测[J]. 环境科学, 2023, 44(2): 900-911. Xu Y, Huang W T, Zheng Z W, et al. Detecting influencing factor of vegetation NPP in southwest China based on spatial scale effect[J]. Environmental Science, 2023, 44(2): 900-911. |
| [28] |
袁换欢, 王智, 徐网谷, 等. 林草交错区植被动态变化及其影响因子——以中国东北大兴安岭为例[J]. 生态学报, 2022, 42(18): 7321-7335. Yuan H H, Wang Z, Xu W G, et al. Vegetation dynamics and influence factors in forest-steppe transition ecozone: the case of Daxing' an Mountains, Northeast China[J]. Acta Ecologica Sinica, 2022, 42(18): 7321-7335. |
| [29] | Polykretis C, Alexakis D D. Spatial stratified heterogeneity of fertility and its association with socio-economic determinants using Geographical Detector: The case study of Crete Island, Greece[J]. Applied Geography, 2021, 127. DOI:10.1016/j.apgeog.2020.102384 |
| [30] | Zhang X X, Xu C D, Xiao G X. Spatial heterogeneity of the association between temperature and hand, foot, and mouth disease risk in metropolitan and other areas[J]. Science of the Total Environment, 2020, 713. DOI:10.1016/j.scitotenv.2020.136623 |
| [31] | Zhu L J, Meng J J, Zhu L K. Applying Geodetector to disentangle the contributions of natural and anthropogenic factors to NDVI variations in the middle reaches of the Heihe River Basin[J]. Ecological Indicators, 2020, 117. DOI:10.1016/j.ecolind.2020.106545 |
| [32] | Peng W F, Kuang T T, Tao S. Quantifying influences of natural factors on vegetation NDVI changes based on geographical detector in Sichuan, western China[J]. Journal of Cleaner Production, 2019, 233: 353-367. DOI:10.1016/j.jclepro.2019.05.355 |
| [33] |
邵嘉豪, 李晶, 闫星光, 等. 基于地理探测器的山西省2000 ~ 2020年NPP时空变化特征及驱动力分析[J]. 环境科学, 2023, 44(1): 312-322. Sao J H, Li J, Yan X G, et al. Analysis of spatiotemporal variation characteristics and driving forces of NPP in Shanxi Province from 2000 to 2020 based on Geodetector[J]. Environmental Science, 2023, 44(1): 312-322. |
| [34] |
左丽媛, 高江波. 基于地理探测器的喀斯特植被NPP定量归因[J]. 生态环境学报, 2020, 29(4): 686-694. Zuo L Y, Gao J B. Quantitative attribution analysis of NPP in Karst peak cluster depression based on geographical detector[J]. Ecology and Environmental Sciences, 2020, 29(4): 686-694. |
| [35] |
王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134. Wang J F, Xu C D. Geodetector: Principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134. |
| [36] |
蔡思扬, 左德鹏, 徐宗学, 等. 基于SPEI干旱指数的东北地区干旱时空分布特征[J]. 南水北调与水利科技, 2017, 15(5): 15-21. Cai S Y, Zuo D P, Xu Z X, et al. Spatiotemporal characteristics of drought in Northeast China based on SPEI[J]. South-to-North Water Transfers and Water Science & Technology, 2017, 15(5): 15-21. |
| [37] |
吴金华, 盛芝露, 杜加强, 等. 1956-2017年东北地区气温和降水的时空变化特征[J]. 水土保持研究, 2021, 28(3): 340-347. Wu J H, Sheng Z L, Du J Q, et al. Spatiotemporal change patterns of temperature and precipitation in Northeast China from 1956 to 2017[J]. Research of Soil and Water Conservation, 2021, 28(3): 340-347. |
| [38] |
张佳琦. 东北林草交错区NPP的时空变化特征及影响因子分析[D]. 兰州: 西北师范大学, 2019. Zhang J Q. Temporal and spatial variation characteristics and influencing factors of NPP in the Northeast Forest and grass interlaced area[D]. Lanzhou: Northwest Normal University, 2019. |
| [39] |
史娜娜, 全占军, 韩煜, 等. 东北林草交错区植被NDVI时空特征及其与气候因子关系分析[J]. 水土保持研究, 2016, 23(5): 175-182. Shi N N, Quan Z J, Han Y, et al. Spatio-temporal changes of vegetation NDVI and its relationship with regional climate in woodgrass ecotone of Northeast China during 2000-2010[J]. Research of Soil and Water Conservation, 2016, 23(5): 175-182. |
| [40] |
王子玉, 许端阳, 杨华, 等. 1981-2010年气候变化和人类活动对内蒙古地区植被动态影响的定量研究[J]. 地理科学进展, 2017, 36(8): 1025-1032. Wang Z Y, Xu D Y, Yang H, et al. Impacts of climate change and human activities on vegetation dynamics in Inner Mongolia, 1981-2010[J]. Progress in Geography, 2017, 36(8): 1025-1032. |
| [41] |
潘学平, 冯朝阳, 刘乙淼. 呼伦贝尔森林草原交错区近30年NPP动态与气象因子的相关性研究[J]. 干旱区资源与环境, 2015, 29(3): 103-107. Pan X P, Feng Z Y, Liu Y M. Correlations between NPP dynamic and climatic factors of nearly 30 years in Hulunbeier grass staggered district[J]. Journal of Arid Land Resources and Environment, 2015, 29(3): 103-107. |
| [42] | Zou X Y, Li J F, Cheng H, et al. Spatial variation of topsoil features in soil wind erosion areas of northern China[J]. CATENA, 2018, 167: 429-439. DOI:10.1016/j.catena.2018.05.022 |
| [43] | Sun B, Liu Y, Lei Y. Growing season relative humidity variations and possible impacts on Hulunbuir grassland[J]. Science Bulletin, 2016, 61(9): 728-736. DOI:10.1007/s11434-016-1042-x |
| [44] |
乔治, 徐新良. 东北林草交错区土壤侵蚀敏感性评价及关键因子识别[J]. 自然资源学报, 2012, 27(8): 1349-1361. Qiao Z, Xu X L. Assessment of soil erosion sensitivity and key factors identification in the wood-grass ecotone of Northeast China[J]. Journal of Natural Resources, 2012, 27(8): 1349-1361. |
| [45] |
贺鹏, 毕如田, 徐立帅, 等. 基于地理探测的黄土高原植被生长对气候的响应[J]. 应用生态学报, 2022, 33(2): 448-456. He P, Bi R T, Xu L S, et al. Using geographical detection to analyze responses of vegetation growth to climate change in the Loess Plateau, China[J]. Chinese Journal of Applied Ecology, 2022, 33(2): 448-456. |
| [46] |
孟琪, 武志涛, 杜自强, 等. 京津风沙源区不同分区植被覆盖度变化及归因分析[J]. 应用生态学报, 2021, 32(8): 2895-2905. Meng Q, Wu Z T, Du Z Q, et al. Variation in fractional vegetation cover and its attribution analysis of different regions of BeijingTianjin sand source region, China[J]. Chinese Journal of Applied Ecology, 2021, 32(8): 2895-2905. |
| [47] |
彭文甫, 张冬梅, 罗艳玫, 等. 自然因子对四川植被NDVI变化的地理探测[J]. 地理学报, 2019, 74(9): 1758-1776. Peng W F, Zhang D M, Luo Y M, et al. Influence of natural factors on vegetation NDVI using geographical detection in Sichuan Province[J]. Acta Geographica Sinica, 2019, 74(9): 1758-1776. |
| [48] |
张华, 李明, 宋金岳, 等. 基于地理探测器的祁连山国家公园植被NDVI变化驱动因素分析[J]. 生态学杂志, 2021, 40(8): 2530-2540. Zhang H, Li M, Song J Y, et al. Analysis of driving factors of vegetation NDVI change in Qilian Mountain National Park based on geographic detector[J]. Chinese Journal of Ecology, 2021, 40(8): 2530-2540. |